机器学习算法的开发,可以使用基线特征预测患者满意度,以及膝关节全关节整形术的术前和术后因素

科学领域:

• 整形外科手术 整形外科手术
• 医疗信息学 医疗信息学
• 健康 结果 研究 研究 结果

背景情况:

• 患者满意度是评估全膝关节整形术 (TKA) 成功的一个关键指标.
• 开发TKA患者满意度的预测模型对于改善临床结果至关重要.

研究的目的:

• 开发和评估患者满意度的预测模型,用于初级全膝关节整形术 (TKA) 后的患者满意度.

主要方法:

• 对435个TKA病例 (2020年8月至2021年12月) 的回顾性分析.
• 逻辑回归 (LR) 和机器学习 (ML) 算法的比较,包括XGBoost.
• 使用曲线下面积 (AUC) 和F1得分进行评估;用于特征解释的SHAP分析.

主要成果:

• 与LR相比,XGBoost的预测性能优于LR (AUC:0.782与0.689;F1得分:0.857与0.800).
• 简单形式-36心理组件摘要 (SF-36 MCS) 是XGBoost.中最重要的预测因素.
• 在两个模型中,西安大略大学和麦克马斯特大学的骨关节炎指数 (WOMAC) 疼痛和骨矿物质密度 (BMD) 都显著.

结论:

• 在预测TKA患者满意度方面,XGBoost显著优于传统LR.
• SF-36 MCS,WOMAC疼痛和BMD是影响TKA后患者满意度的关键因素.
• 这些发现可以为患者的选择和术后管理提供信息,以提高患者的满意度.